Estudo bibliométrico sobre métodos de apoio multicritério à decisão aplicados à gestão de ciclo de vida de sistemas de defesa
Bibliographic record
Abstract
Ambientes complexos, critérios conflitantes, incertezas e informações imprecisas são características de muitos problemas de decisão presentes no mundo real. A metodologia de Apoio Multicritério à Decisão (AMD) contribui para tornar estes processos decisórios mais racionais, eficientes e eficazes. Neste contexto, Forças Armadas de diversos países têm empregado os métodos de AMD na Gestão de Ciclo de Vida de Sistemas de Defesa (GCVSD), tendo em vista a complexidade e sensibilidade atreladas aos sistemas de emprego militar. Desta forma, o presente artigo apresenta um estudo de abordagem quantitativa baseado em métricas bibliométricas para avaliar a aplicação de métodos de AMD na GCVSD. Para tal, tendo como referência as bases de dados Scopus e Web of Science, o trabalho buscou identificar os seguintes aspectos relacionados ao campo de pesquisa em análise: distribuição das publicações, fontes mais relevantes, dinâmica de interação entre estas fontes, tópicos de maior destaque em pesquisas recentes (trend topics) e aplicação de métodos de AMD na GCVSD. Com relação ao último aspecto, é importante destacar que o AHP (Analytic Hierarchy Process) foi identificado como o método mais utilizado na GCVSD, tendo em vista que ele foi aplicado, no formato original, adaptado ou híbrido (combinado com outros métodos), em quase um quarto dos trabalhos analisados. Ainda no contexto da GCVSD, foi possível verificar que a aplicação de métodos de AMD se faz presente em todos os estágios do ciclo de vida, com maior destaque para as etapas de desenvolvimento, utilização e suporte.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.026 | 0.115 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.034 | 0.081 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.013 | 0.009 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".